GreenKGC：一种轻量级知识图谱补全方法
人工智能
2023-07-13 v2
摘要
知识图谱补全(KGC)旨在发现知识图谱(KGs)中实体间缺失的关系。以往多数KGC工作聚焦于通过简单评分函数学习实体与关系的嵌入。然而，更好的推理能力通常需要更高维的嵌入空间，这导致模型规模更大，并阻碍了对实际问题的适用性（例如大规模KGs或移动/边缘计算）。本文提出一种轻量级模块化KGC解决方案GreenKGC以解决此问题。GreenKGC由表示学习、特征剪枝和决策学习三个模块组成，利用分类器和负采样提取判别性KG特征并对缺失关系做出准确预测。实验结果表明，在低维情况下，GreenKGC在多数数据集上优于SOTA方法。此外，低维GreenKGC能以小得多的模型规模取得与高维模型相当甚至更优的性能。
引用
@article{arxiv.2208.09137,
title = {GreenKGC: A Lightweight Knowledge Graph Completion Method},
author = {Yun-Cheng Wang and Xiou Ge and Bin Wang and C. -C. Jay Kuo},
journal= {arXiv preprint arXiv:2208.09137},
year = {2023}
}
备注
Accepted to ACL2023